SNARF：神经隐式形状动画新方法

"本文主要介绍了一种名为SNARF（Shape-Normalized Articulated Regression Fields）的方法，用于实现神经隐式形状的适应性动画，特别适用于铰接3D形状。SNARF结合了线性混合蒙皮（LBS）与神经隐式曲面的优势，以解决现有方法在处理变形到规范点的向后扭曲场时存在的问题，这些问题主要源于向后扭曲场与姿势相关，需要大量数据进行学习。" **1. 神经隐式表面表示** 神经隐式表面是一种新兴的3D形状表示方法，它能够以连续和分辨率无关的方式捕获3D形状。这种方法通过神经网络来学习潜在空间中的形状，提供了更灵活、更平滑的表面表示，相比传统的多边形网格具有更高的表达能力。 **2. 适应铰接形状的挑战** 铰接3D形状如人体模型的动画需要处理复杂的变形和姿势变化。传统的线性混合蒙皮（LBS）虽然有效，但受限于网格的分辨率和固定拓扑。神经隐式表面虽然解决了这些问题，但在适应铰接形状时，学习向后扭曲场存在困难，因为这些场与特定姿势相关，需要大量样本进行训练。 **3. SNARF方法** SNARF提出了一种新的解决方案，它学习一个前向变形场和灰场，这个场是在规范、姿势独立的空间中定义的，能够更好地泛化到未见过的姿势。通过这种方式，SNARF避免了学习姿势相关的向后扭曲场，从而提高了泛化性能。 **4. 前向皮肤模型与迭代根查找** SNARF的关键在于它的前向皮肤模型，它可以找到任何变形点的所有典型对应关系，即使在拓扑变化下也能做到。通过迭代根查找算法，SNARF可以确定变形点之间的对应，使得学习过程成为可能。 **5. 隐式微分与端到端训练** 通过隐式微分，SNARF能够计算分析梯度，从而在具有骨骼变换的3D网格上进行端到端训练。这种方法简化了训练过程，使得SNARF可以从构成的网格中直接学习变形场。 **6. 性能与应用** 与现有技术相比，SNARF在处理不可见姿势时具有更好的泛化能力，同时保持了高精度。它在复杂场景，如穿着衣物的人体在不同和未见过的姿势下的3D动画，表现出色。 **7. 结论** SNARF为3D铰接形状的神经隐式动画提供了一种新途径，解决了向后扭曲场学习的问题，提高了对未知姿势的泛化能力，为未来3D动画和形状建模的研究开辟了新的方向。